基于深度学习技术自动识别前纵隔病变

摘要

目的：开发并验证了一种用于自动检测前纵隔病变的深度学习算法，以提高胸部CT检查中前纵隔病变的诊断效率。方法：本研究纳入了2015—2022年来自两个医疗中心的256例接受胸部CT检查的患者，其中145例存在前纵隔病变。前纵隔病变的轮廓由两位资深放射科医生手动勾勒。研究基于ResUnet算法结合多感兴趣区域（MultiROI）策略和数据增强方法构建3个深度学习模型，用于分割病变并减少假阳性。通过DICE指数、灵敏度、特异度以及自由响应受试者工作特征（FROC）曲线，在内部和外部测试集上对模型性能进行评估。结果：最优模型3在内部测试集和外部测试集的DICE评分分别提升至0.834和0.643。在检测任务中，其在内部和外部测试集中的灵敏度相近，分别为0.794和0.773，特异度分别为0.893和0.836。此外，每例扫描的假阳性率降至0.125和0.101，平均预测时间为21.13～26.12 s。结论：该深度学习算法能够在CT图像上准确分割和检测前纵隔病变，具有辅助临床诊断前纵隔病变的潜力。

关键词

前纵隔病变 / 深度学习 / 人工智能 / ResUnet算法 / 多感兴趣区域策略 / 数据增强方法